Programme for International Student Assessment - PISA è un’indagine internazionale promossa dall’Organizzazione per la Cooperazione e lo Sviluppo Economico (OCSE) con periodicità trienna-le per accertare trienna-le competenze dei quindicenni scolarizzati.
PISA ha l’obiettivo di verificare se e in che misura i quindicenni scolarizzati abbiano acquisito al-cune competenze giudicate essenziali per svolgere un ruolo consapevole e attivo nella società e per continuare ad apprendere per tutta la vita (lifelong learning). Gli ambiti dell’indagine PISA sono lettura, matematica e scienze. Ogni ciclo dell’indagine rileva le competenze in tutti e tre gli ambiti ma ne approfondisce uno in particolare. Nel primo ciclo (PISA 2000) l’ambito principale è stato la lettura; nel secondo ciclo dell’indagine (PISA 2003) la matematica; nel terzo ciclo (PISA 2006) le scienze; nel quarto ciclo (PISA 2009) la lettura; nel quinto ciclo (PISA 2012) nuovamente la mate-matica, a cui si aggiunge la somministrazione informatizzata di prove di problem solving come ulte-riore area di rilevazione principale. In questa edizione di PISA, inoltre, l’Italia ha scelto di parteci-pare alle opzioni di prove computer-based di matematica e lettura (in aggiunta a quelle cartacee) e alle prove di financial literacy.
Il volume raccoglie saggi di studiosi di differenti ambiti disciplinari e provenienti da contesti di la-voro diversi (scuola, università, ricerca). I contributi sono stati selezionati sulla base di una chia-mata pubblica e sottoposti a un processo di revisione da parte di esperti qualificati.
L’Invalsi è un ente di ricerca dotato di personalità giuridica di diritto pubblico che, tra i vari com-piti istituzionali, assicura la partecipazione italiana a progetti di ricerca europea e internazionale in campo valutativo (OCSE PISA, IEA TIMSS, PIRLS, ICCS) rappresentando il Paese negli organi-smi competenti.
OCSE PISA 2012
Contributi di approfondimento
A cura di Laura Palmerio
Coordinamento redazionale di Rita Marzoli
L. Palmerio
(a cura di)
OCSE PISA
2012. CONTRIBUTI DI APPROFONDIMENT
O
Istituto nazionale per la Valutazione del Sistema educativo di Istruzione e Formazione - Invalsi
FrancoAngeli
La passione per le conoscenzeProgetto PON Governance e Assistenza tecnica 2007-2013 “Informazione statistica Regionale sulle competenze degli studenti italiani”
Il presente volume è pubblicato in open access, ossia il file dell’intero lavoro è liberamente scaricabile dalla piattaforma FrancoAngeli Open Access
(http://bit.ly/francoangeli-oa).
FrancoAngeli Open Access è la piattaforma per pubblicare articoli e
mono-grafie, rispettando gli standard etici e qualitativi e la messa a disposizione dei contenuti ad accesso aperto. Oltre a garantire il deposito nei maggiori archivi e repository internazionali OA, la sua integrazione con tutto il ricco catalogo di riviste e collane FrancoAngeli massimizza la visibilità, favorisce facilità di ricerca per l’utente e possibilità di impatto per l’autore.
Per saperne di più:
http://www.francoangeli.it/come_pubblicare/pubblicare_19.asp
I lettori che desiderano informarsi sui libri e le riviste da noi pubblicati
OCSE PISA 2012
Contributi di approfondimento
A cura di Laura Palmerio
Coordinamento redazionale di Rita Marzoli
Copyright © 2016 by FrancoAngeli s.r.l., Milano, Italy & INVALSI – Istituto Nazionale per la Valutazione del Sistema educativo di Istruzione e di formazione
L’opera, comprese tutte le sue parti, è tutelata dalla legge sul diritto d’autore ed è pubblicata in versione digitale con licenza Creative Commons Attribuzione-Non Commerciale-Non opere derivate 3.0 Italia
(CC-BY-NC-ND 3.0 IT)
L’Utente nel momento in cui effettua il download dell’opera accetta tutte le condizioni della licenza d’uso dell’opera previste e comunicate sul sito
Indice
Prefazione,
di Anna Maria Ajello pag. 7
1. Come gli studenti delle regioni italiane superano il gap socio-economico: evidenze da PISA 2012,
di Tommaso Agasisti, Sergio Longobardi » 9
2. Gli ultimi saranno i primi: livelli di competenza, equità e resilienza,
di Fabio Alivernini, Sara Manganelli, Fabio Lucidi » 28
3. Le carriere professionali degli studenti e delle studentesse dell’area PON,
di Michela Freddano, Valeria F. Tortora » 40
4. Le differenze tra scuole nei risultati in matematica:
un’analisi multilivello in funzione dei processi cognitivi indagati in PISA,
di Elisa Caponera, Bruno Losito, Riccardo Pietracci, Laura Palmerio » 58
5. Resilienti e avvantaggiati eccellenti nelle regioni PON Sicilia, Campania, Calabria: caratteristiche degli studenti e fattori di scuola in grado di favorirne l’incremento,
di Brunella Fiore, Isabella Romeo » 74
6. Motivazione, impegno e fiducia in se stessi nelle regioni PON,
di Isabella Romeo, Brunella Fiore » 95
7. Integrazione scolastica e immigrazione,
di Paola Giangiacomo, Monica Papini » 108
8. Obiettivo equità: le performance delle regioni convergenza,
di Morena Sabella » 122
9. Scelte scolastiche degli immigrati: fattori socio-economici o di identità etnica? Un’analisi dei dati PISA 2012,
di Maddalena Davoli » 142
10. Le domande computer-based dell’indagine OCSE-PISA e le domande INVALSI: uno studio sperimentale sul confronto tra i due strumenti di somministrazione,
11. Pratiche didattiche, convinzioni e motivazioni degli studenti in matematica: uno studio di caso basato sul framework OCSE-PISA,
di Giorgio Bolondi, Federica Ferretti pag. 173
12. Ricerca in didattica della matematica e PISA: percorsi battuti e nuove piste da esplorare,
di Andrea Maffia, Chiara Giberti » 190
13. Ragazze e scienze hard: sviluppare l’auto-efficacia. Prospettive di genere nella didattica della matematica,
di Patrizia Colella » 201
14. La matrice processi-contenuti nell’analisi delle aree di criticità dei risultati in matematica di PISA 2012,
di Mario Castoldi » 222
15. Da studenti low-performers a cittadini high-performers attraverso il rinnovamento metodologico della didattica,
di Carmela Piazza, Franca Zerilli » 237
16. L’impatto della reading literacy sul rendimento in matematica,
di Elisa Caponera, Cristina Felici, Stefania Codella, Laura Palmerio » 261
17. La performance nelle prove digitali PISA degli studenti italiani,
di Pasqualino Montanaro, Paolo Sestito » 272
18. Uno studio sui livelli di competenza: la Rasch Analysis dei dati OCSE-PISA 2012 per la misura delle differenze tra gli studenti delle regioni italiane,
di Tullio Menini » 290
19. Fattori cognitivi e non-cognitivi associati alla literacy finanziaria. Risultati italiani PISA 2012,
di Carlo Di Chiacchio, Sabrina Greco » 311
Sommari » 323
OECD (2010), PISA 2009 Results: Overcoming Social Background: Equity in Learning Opportunities and Outco-mes, OECD Publishing, Paris, vol. II.
OECD (2011), Against the Odds. Disadvantaged Students who succeed in Schools, OECD Publishing, Paris.
OECD (2012), Closing the Gender Gap. Act Now, OECD Pu-blishing, Paris.
OECD (2013a), PISA 2012 Results Through Equity. Giving every Student the Chance to succeed, OECD Publishing, Paris, vol. II.
OECD (2013b), PISA 2012 Results: Ready to learn. Stu-dents’Engagement, Drive and Self-, OECD Publishing, Paris, vol. III.
Pennisi G. (2010), “La valutazione economica dei sistemi edu-cativi e formativi (con una particolare attenzione anche alla situazione della ‘crisi’)”, RIV – Rassegna italiana di valu-tazione, 46, pp. 43-58.
Robinson N.M., Abbott R.D., Beringer V.W., Busse J. (1996), “The Structure of abilities in math-precocious young children: Gender Similarities and Differences”, Journal of Educational Psychology, 88, pp. 341-352.
Sarti S. (2007), “La regressione logistica”, De Lillo A., Argen-tin G., Lucchini M., Sarti S., Terraneo M. (2007), Anali-si multivariata per le scienze sociali, Pearson Education, Mondadori, Milano, pp. 57-90.
Steele C.M. (1997), “A Threat in the Air: How Stereotypes Shape Intellectual Identity and Performance”, American Pshycologist, 52 (6), pp. 613-629.
Steele C.M., Spencer S.J., Aronson J. (2002), “Contending with Group Image: The Psychology of Stereotype and So-cial Identity Threat”, P. Zanna (ed.), Advances in Experi-mental Social Psychology, 34, pp. 379-440.
Sternberg R.J., Williams W.M., Wendy M. (1997), “Does the graduate Record Examination Predict Meaningful Success in the Graduate Training of Psychologist? A Case Study”, American Psychologist, 52 (6), pp. 630-641.
VALES (2014), Verso il Sistema Nazionale di Valutazione: in-dicazioni dal Progetto VALES, Atti del convegno Vales, 15 giugno 2014, Roma, http://www.invalsi.it/invalsi/ri/vales/ doc.php, 24 luglio 2014.
Wang T., Lu J., Li B., Zheng Z. (2011), “Searching for the Reasons of Shanghai Students’ High Scores in PISA 2009 Reading Assessment with a School System Perspective”, Curriculum and Instruction Quarterly, 14 (4), pp. 93-116. Willms J.D. (2003), Ten Hypotheses about Socio-economic
6. Motivazione, impegno e fiducia in se stessi nelle regioni PON
Isabella Romeo, Brunella Fiore
1. Introduzione
L’indagine PISA misura il successo degli studenti in termini di risultati in matematica, lettura e scienze con l’obiettivo di valutare se gli stessi saranno in grado di avere un ruolo attivo nella società. Tuttavia, il successo e il benessere dipendono anche dall’atteggiamento degli studenti verso l’apprendimento che è solo parzialmente catturato da questo tipo di test. Motivazione, perseveran-za, impegno, fiducia in se stessi e le proprie aspettative lavorative sono alcuni ingredienti essenziali da prendere in considerazione, sebbene la loro misurazione risulti dif-ficoltosa. Gli studenti, per poter cogliere tutte le oppor-tunità che la scuola può fornire loro e raggiungere alti livelli di competenza, devono essere mentalmente predi-sposti a imparare. È infatti necessario che siano motivati, desiderosi di imparare nuovi concetti e che credano nelle proprie possibilità (Christenson, Reschly e Wylie, 2012). L’impegno e la perseveranza nel raggiungere i propri obiettivi svolgono un ruolo centrale nel formare l’abilità dello studente e sono anche caratteristiche indispensabili per superare le sfide e cogliere al meglio le opportunità che si incontrano lungo tutto il percorso della propria vita (Schunk e Mullen, 2013).
Le nuove dinamiche economiche e sociali hanno por-tato al bisogno di preparare gli studenti a un apprendi-mento che dura tutta la vita, che viene definito in gergo tecnico lifelong learning. È compito del sistema scola-stico riuscire a dare agli studenti una forma mentis e una mentalità aperta capace di integrare e trasformare le in-formazioni provenienti da una moltitudine di fonti e con la conoscenza già acquisita per poterla applicare a nuove situazioni. È quindi necessario aiutare gli studenti a “im-parare a im“im-parare”: solo se gli studenti hanno la capacità, la motivazione e l’entusiasmo di essere lifelong learners saranno in grado di rimanere cittadini attivi e produttivi lungo l’arco della loro vita (Christenson et al., 2012).
Un buon sistema educativo dovrebbe permettere di sviluppare un ampio raggio di competenze, tra cui la cu-riosità, la perseveranza e il piacere nel risolvere problemi complessi (problem solving). È stato mostrato infatti che queste caratteristiche, nonostante siano per lo più inna-te nella personalità dell’individuo, possono essere anche influenzate dalle circostanze in cui ci si imbatte e dalle opportunità che vengono offerte (Plomin e Caspi, 1999; Guthrie, Wigfield e Klauda, 2013). Gli individui tendono a modificare gradualmente la loro percezione del mondo, di loro stessi e di come relazionarsi agli altri, basandosi sulla propria esperienza (Schunk e Pajares, 2009).
Il rapporto internazionale PISA 2012 (OCSE, 2013) evidenzia come il rapporto tra insegnante e studente e il tipo di tecniche di insegnamento utilizzate abbiano un forte impatto sull’impegno e sui risultati in matematica. Gli insegnanti possono quindi contribuire alla formazione della motivazione, della perseveranza e dell’auto-effica-cia dello studente attraverso opportune strategie di inse-gnamento, supportando ogni studente affinché possa ave-re alte aspettative. Non di secondaria importanza è il ruolo dei genitori nella motivazione degli studenti, che può es-sere alimentata riponendo su questi ultimi forti aspettative per i loro studi futuri e la loro carriera (OCSE, 2013).
Infine, è interessante focalizzare l’attenzione su quelle categorie di studenti che ottengono risultati in matemati-ca mediamente più bassi, ovvero le ragazze e gli studenti con basso stato socio-economico, per valutare se oltre a ottenere più bassi risultati hanno anche un atteggiamento più negativo verso l’apprendimento della matematica. In questo lavoro si analizzano diversi indicatori che de-scrivono l’atteggiamento degli studenti verso l’appren-dimento. Inoltre, si considera il loro effetto sui risultati di matematica, le differenze esistenti di genere e di stato socio-economico in tale atteggiamento, nonché l’impatto di insegnanti e genitori su di esso.
contributo di tale studio è nell’analisi di un particolare sotto-insieme di studenti italiani: gli studenti apparte-nenti alle regioni facenti parti del Programma Operativo Nazionale “Ricerca e competitività” (PON “R&C”). Tale sotto-insieme di studenti è molto importante, dato che questo programma è lo strumento attraverso il quale l’U-nione Europea e l’Italia hanno condiviso una consistente quota delle risorse dei fondi strutturali europei per il so-stegno delle attività di ricerca e innovazione nelle aree territoriali più svantaggiate del Paese, ovvero le quattro regioni dell’Obiettivo Convergenza rappresentate da Pu-glia, Calabria, Sicilia e Campania.
1.1. Obiettivi, metodologia e indicatori considerati
L’atteggiamento verso l’apprendimento degli stu-denti è misurato in PISA tramite proxy quali l’impegno scolastico, la determinazione e la motivazione e, infine, l’auto-efficacia, la predisposizione e la partecipazione ad attività matematiche (OCSE, 2013).
Tra le caratteristiche utilizzate per descrivere l’im-pegno scolastico dello studente, PISA considera la pun-tualità e l’assenteismo a scuola, il senso di appartenenza alla scuola1e l’atteggiamento verso di essa2. La
determi-nazione e la motivazione sono misurate considerando la perseveranza3, la predisposizione al problem solving4, 1 L’indice di stato socio-economico (ESCS) è stato calcolato
dall’OCSE considerando lo stato occupazionale e il livello educativo dei genitori, la ricchezza familiare e le risorse culturali disponibili a casa (OCSE, 2012).
2 Sono definiti svantaggiati quegli studenti che appartengono al primo quartile della distribuzione dello stato socio-economico degli studenti italiani.
3 L’indicatore relativo alla relazione tra studente e
insegnan-te è derivato chiedendo agli studenti quanto sono d’accordo con le seguenti affermazioni: gli studenti vanno d’accordo con la maggior parte degli insegnanti; la maggior parte degli insegnanti sono inte-ressati al benessere degli studenti; la maggior parte degli insegnanti ascolta veramente quello che ho da dire; gli insegnati mi aiutano se ho bisogno di un ulteriore supporto; la maggior parte degli insegnanti mi tratta bene. Valori più alti dell’indicatore indicano una relazione positiva tra insegnante e studente (OCSE, 2013).
4 L’indicatore relativo all’uso di strategie di attivazione
cogniti-va è costruito chiedendo agli studenti quanto spesso durante le le-zioni di matematica si trovano in queste situale-zioni: l’insegnante fa domande per far riflettere gli studenti sui problemi; l’insegnante dà problemi che richiedono un lasso di tempo esteso per la loro soluzio-ne; l’insegnante chiede agli studenti di decidere, per conto proprio, il procedimento necessario per la risoluzione di problemi comples-si; l’insegnante presenta problemi in contesti differenti così che gli studenti possano capire se hanno compreso i concetti; l’insegnante aiuta gli studenti a imparare dai proprio errori; l’insegnante chiede agli studenti di spiegare il procedimento utilizzato per risolvere il
pro-la percezione delpro-la propria responsabilità per il proprio insuccesso in matematica5, l’interesse6e la motivazione7.
L’auto-efficacia, la predisposizione e la partecipazione ad attività matematiche sono indagate tramite diversi in-dicatori quali la propria efficacia in matematica8,
ovve-ro quanto lo studente crede nelle sue abilità per farcela effettivamente a superare le difficoltà in matematica; il concetto di sé9, ovvero quanto lo studente crede nelle
pro-prie abilità; l’ansia per la matematica10, ovvero la propria
percezione emotiva in relazione alla matematica, come il sentimento di inettitudine (incapacità) e stress quando si a che fare con la matematica; l’impegno dello studente nelle attività matematiche extra-scolastiche11,
l’intenzio-blema; l’insegnante presenta problemi che richiedono l’applicazione di conoscenze acquisite in nuovi contesti; l’insegnante dà problemi che possono essere risolti in modi differenti. Valori alti dell’indice che se ne deriva suggeriscono che gli studenti riportano che l’inse-gnante di matematica usa strategie di attivazione cognitiva molto più frequentemente rispetto alla media degli insegnanti di matematica dei Paesi (OCSE, 2013).
5 Studenti con valori alti dell’indice tendono ad attribuire il
falli-mento a se stessi, mentre studenti con valori bassi dell’indice tendono ad attribuire la responsabilità del proprio fallimento ad altri individui o fattori (OCSE, 2013).
6 PISA misura la motivazione intrinseca chiedendo agli studenti
quanto sono d’accordo con le seguenti affermazioni: gli piace leggere testi sulla matematica, sono in attesa delle lezioni di matematica, la matematica gli piace e sono interessati a ciò che imparano (OCSE, 2013).
7 PISA la misura chiedendo il grado di accordo con le seguenti
affermazioni: la matematica sarà utile nel lavoro, imparare la mate-matica può migliorare le prospettive di carriera, ho bisogno della ma-tematica per gli studi che ho intenzione di affrontare, imparare molte cose in matematica mi aiuterà a trovare un lavoro (OCSE, 2013).
8 PISA misura l’auto-efficacia chiedendo agli studenti quanto si
sentono sicuri nell’affrontare una serie di compiti di matematica sia pura che applicata (OCSE, 2013).
9 PISA misura quanto gli studenti credono nelle proprie
abili-tà per affrontare la matematica chiedendo agli studenti quanto sono d’accordo con le seguenti affermazioni: non sono tanto bravo in ma-tematica; prendo voti alti in mama-tematica; imparo velocemente mate-matica; matematica è sempre stata tra le mie materie preferite; capi-sco anche i concetti più complessi durante le lezioni di matematica (OCSE, 2013)..
10 PISA chiede agli studenti di riportare quanto sono d’accordo
sulle seguenti affermazioni: spesso sono preoccupato che le lezioni di matematica siano troppo difficili; mi sento teso quando devo fare i compiti di matematica; divento nervoso quando devo risolvere i pro-blemi di matematica; mi sento incapace quando risolvo i propro-blemi di matematica; sono preoccupato di prendere un voto basso in matema-tica (OCSE, 2013).
11 Le attività matematiche considerate sono: parlare di problemi
ne di proseguire il proprio percorso di studio e la propria carriera in ambito scientifico12 e le opinioni di genitori e
amici sulla matematica13. Una spiegazione più esaustiva
di questi indicatori e la letteratura di riferimento si posso-no trovare in OCSE (2013).
Prima di analizzare i singoli indicatori è necessario capire come sono stati costruiti per una corretta interpre-tazione dei risultati. Gli indicatori sono costruiti in modo che il valore 0 rappresenti la media internazionale dei Paesi OCSE che hanno partecipato all’indagine e 1 la de-viazione standard media. Quindi, valori di un indicatore vicini allo 0 rappresentano valori simili alla media degli altri Paesi, mentre valori negativi e positivi rappresenta-no rispettivamente valori dell’indicatore più bassi e più alti rispetto alla media degli altri Paesi OCSE. Per valu-tare se la media di un indicatore (o un coefficiente di re-gressione) è statisticamente diversa da zero si considera un livello di significatività statistica pari a 0,05.
Tra gli obiettivi di questo lavoro vi è quello di indagare la forza della relazione esistente tra il punteggio di mate-matica e i diversi costrutti che descrivono l’atteggiamento verso l’apprendimento nelle regioni prese in esame.
La forza della relazione tra un indicatore e i risultati in matematica è misurata tramite due strumenti: il co-efficiente di una regressione lineare, dove il punteggio in matematica viene espresso in funzione dell’indicato-re stesso, e lo scarto interquartile (interquartile range o IQR), ovvero la differenza nei risultati medi tra gli stu-denti con valore dell’indicatore più alto (ultimo quartile) e più basso (primo quartile).
Altro obiettivo di questo studio è quello di valutare se esiste una differenza nei livelli di questi indicatori nelle diverse regioni considerate rispetto all’Italia e alla media OCSE. A questo scopo, è riportata anche una breve ana-lisi del contesto italiano.
Inoltre, è interessante prendere in considerazione de-terminate categorie di studenti nelle regioni considerate,
12 Gli è stato chiesto di scegliere tra cinque frasi, quale si
avvi-cinasse maggiormente alle loro future intenzioni e desideri, tra cui: intendo seguire ulteriori corsi di matematica dopo la fine della scuola dell’obbligo; intendo scegliere un corso universitario dove sono ri-chieste competenze matematiche; intendo scegliere un corso universi-tario dove sono richieste competenze scientifiche (OCSE, 2013).
13 Agli studenti viene chiesto quanto sono d’accordo con le
se-guenti affermazioni: la maggior parte dei tuoi amici va bene in ma-tematica; la maggior parte dei tuoi amici si impegna molto in mate-matica; i tuoi amici si divertono a fare test matematici; i tuoi genitori credono che sia importante studiare matematica; i tuoi genitori credo-no che la matematica sia importante per la carriera di ucredo-no studente; ai tuoi genitori piace la matematica. L’indice che si deriva spiega quanto l’ambiente sociale dello studente promuova la matematica e lo studio della matematica (OCSE, 2013).
per cui è nota una differenza nei risultati di matematica, per valutare se esistono differenze anche nel loro atteg-giamento verso l’apprendimento. In particolare, si pren-dono in considerazione le differenze esistenti tra ragazze e ragazzi e studenti socio-economicamente avvantaggiati e svantaggiati. Sono definiti avvantaggiati gli studenti che hanno uno stato socio-economico alto, ovvero che appartengono all’ultimo quartile della distribuzione dello stato socio-economico degli studenti italiani, viceversa gli appartenenti al primo quartile sono definiti svantag-giati. Le differenze di atteggiamento verso l’apprendi-mento della matematica tra queste categorie di studenti vengono considerate al netto delle loro differenze nei ri-sultati in matematica, in modo che tali differenze non sia-no condizionate da quelle presenti nei punteggi. In questo modo si valuta se a parità di punteggio ottenuto in mate-matica, vi siano delle differenze nell’atteggiamento verso la materia. A questo scopo sono costruiti diversi modelli per ogni indicatore relativo all’atteggiamento verso l’ap-prendimento degli studenti, dove la variabile dipenden-te è l’indicatore sdipenden-tesso e le variabili indipendenti sono il genere (o lo stato socio-economico) e il punteggio in matematica dello studente. Quindi, per esempio, il coef-ficiente della retta di regressione associato alla variabile relativa al genere ci fornisce una misura della differenza nella motivazione tra ragazzi e ragazze a parità di risultati conseguiti nella materia. Questi risultati possono essere utili agli educatori per comprendere le differenze esisten-ti nell’atteggiamento verso l’apprendimento nelle diverse categorie di studenti con il fine di cercare di incentivare e migliorare tale atteggiamento per ridurre il gap nei risul-tati tra queste categorie di soggetti.
Il punteggio di matematica è quindi considerato sia come variabile indipendente, per valutare come incide l’atteg-giamento verso l’apprendimento sui risultati, sia come variabile dipendente, per valutare la differenza nell’at-teggiamento verso l’apprendimento fra due categorie di soggetti a parità di risultati in matematica. Questo è pos-sibile visto che tra esso e l’atteggiamento verso l’appren-dimento dello studente sussiste una relazione circolare che li porta a rinforzarsi reciprocamente. Infatti, studenti con un atteggiamento positivo verso la scuola, motivati a imparare matematica e che hanno un’immagine positi-va di se stessi otterranno risultati migliori. A loro volta, buoni risultati porteranno gli studenti ad avere un atteg-giamento più positivo verso la matematica.
quar-tile dei residui di un modello di regressione relativo ai punteggi di matematica di tutti i Paesi partecipanti all’in-dagine con lo stato socio-economico come variabile di-pendente (includendo nel modello sia l’effetto lineare sia quello quadratico) (OCSE, 2010). Gli svantaggiati con bassi risultati sono, invece, quelli appartenenti al primo quartile della distribuzione dei residui. I primi sono quin-di rappresentati da quegli studenti che nonostante ab-biano un basso stato socio-economico ottengono buoni risultati.
Infine, è preso in considerazione l’effetto di diversi fattori legati al contesto familiare (paragrafo 1.6) e sco-lastico (paragrafo 1.7) nelle regioni PON sull’atteggia-mento verso l’apprendisull’atteggia-mento della matematica dello stu-dente, tramite la costruzione di diversi modelli di regres-sione. Da una parte è analizzato l’effetto delle aspettative dei genitori sulla futura carriera universitaria dei figli, dall’altra è analizzato l’effetto dell’uso da parte dell’inse-gnante di tecniche di attivazione cognitiva e di una buona relazione tra studente e insegnante.
Le analisi sono state effettuate tenendo in considera-zione la particolare metodologia sottostante i dati, ovvero considerando i cinque valori plausibili e le repliche per
il calcolo delle stime e dei loro errori standard (standard
error o SE) (OCSE, 2009). Sono stati utilizzati il
sof-tware SAS e le macro SAS fornite dall’OCSE (OCSE, 2009).
1.2. L’atteggiamento degli studenti italiani verso
l’apprendimento
In questo paragrafo vengono analizzati i livelli medi dei diversi indicatori che descrivono l’atteggiamento ver-so l’apprendimento della matematica per gli studenti ita-liani e il loro impatto sui risultati in matematica. Come descritto in precedenza, valori non significativamente di-versi da zero indicano che gli studenti italiani hanno un livello di quell’indicatore non diverso dal livello medio dei Paesi OCSE che hanno partecipato all’indagine e, in tutti i grafici, questi valori sono indicati con il colore più scuro (grigio scuro). Valori positivi e negativi, invece, indicano che gli studenti italiani hanno un valore medio rispettivamente maggiore e minore rispetto ai coetanei dell’OCSE e, in tutti i grafici, questi valori sono indicati con il colore più chiaro (grigio chiaro).
Dalla fig. 1 si evince come gli studenti italiani hanno mediamente un atteggiamento verso la matematica più negativo rispetto ai coetanei OCSE. In particolare, hanno un atteggiamento più negativo verso la scuola, apertura al problem solving, motivazione, senso di auto-efficacia, intenzione di proseguire gli studi in ambito scientifico e genitori e amici con una più bassa propensione a promuo-vere la matematica. Inoltre, da una parte tendono ad ave-re una maggioave-re perseveranza e a seguiave-re maggiormente attività matematiche, e dall’altra ad attribuirsi maggior-mente il senso del fallimento e ad avere una maggiore ansia verso la matematica. Non ci sono invece differenze nel livello di interesse verso la materia rispetto alla media dei coetanei dei Paesi OCSE.
Di maggiore interesse è l’impatto dei singoli indicato-ri sui indicato-risultati in matematica, al fine di valutare quali sia-no quelle caratteristiche che hansia-no una reale importanza nel contesto italiano. A questo proposito sono costruiti diversi modelli di regressione, uno per ogni indicatore considerato. Sono quindi riportate, in fig. 2, le differen-ze di punteggio in matematica associate a un
incremen-to unitario di ogni indicaincremen-tore consideraincremen-to. Gli indicaincremen-tori sono ordinati dall’indicatore che ha l’impatto maggiore e positivo sui risultati all’indicatore che non ha nessun impatto fino ad arrivare a quello con impatto negativo sui risultati.
La percezione di auto-efficacia rappresenta la carat-teristica con il maggior impatto positivo sui risultati, seguita dal concetto che si ha di se stessi e dall’esser di-sposti a impegnarsi in nuove sfide per riuscire a risolvere anche problemi complessi. Per esempio, per ogni incre-mento unitario dell’indice di auto-efficacia si ottengono mediamente più di 50 punti in più al test di matematica. Altre caratteristiche con un impatto positivo sui risultati sono l’interesse, la motivazione oltre che la perseveran-za e l’intenzione di proseguire gli studi in ambito scien-tifico. Caratteristiche invece che portano a un risultato peggiore sono alti livelli di ansia verso la matematica e l’attribuirsi la causa del fallimento. Partecipare ad atti-vità matematiche e sentire il senso di appartenenza alla scuola non influisce invece sui risultati, almeno nel con-testo italiano.
Nel prossimo paragrafo l’attenzione sarà focalizzata sull’atteggiamento verso l’apprendimento nelle diverse regioni PON e su come tali caratteristiche incidono sui ri-sultati. Saranno considerate nelle analisi successive solo quelle variabili che hanno nel contesto italiano un maggio-re impatto sui risultati in matematica. Sono quindi analiz-zate l’auto-efficacia, la propensione a risolvere problemi complessi, la perseveranza, l’interesse, la motivazione, la propensione ad attribuirsi il fallimento e l’ansia.
2. Atteggiamento verso la matematica e
differen-ze di genere e stato socio-economico nelle regioni
PON
Analizziamo l’atteggiamento verso l’apprendimento della matematica nelle regioni PON rispetto alla media OCSE, per valutare se in queste regioni, oltre a osserva-re risultati peggiori, si osserva anche un atteggiamento meno positivo verso l’apprendimento della matematica. Ricordiamo che il punteggio medio in matematica in queste regioni è inferiore alla media OCSE (500) e alla media italiana (485) ed è pari a 478 in Puglia, 453 in Campania, 447 in Sicilia e 430 in Calabria.
Come si evince dalla tab. 1, nelle regioni PON si ri-scontra un atteggiamento tendenzialmente più positivo verso l’apprendimento, ad eccezione della motivazione e della percezione della propria auto-efficacia. La Puglia è l’unica regione PON per cui si osserva un valore di auto-efficacia in linea con la media OCSE. In queste regioni, si riscontrano inoltre, da una parte un livello superiore di ansia verso la matematica e una percezione delle proprie responsabilità per il mancato raggiungimento dei risultati attesi in linea con la media OCSE.
In Italia, i ragazzi ottengono risultati migliori in mate-matica, rispetto alle ragazze. È interessante quindi valu-tare se esistono delle differenze di genere anche rispetto all’atteggiamento verso l’apprendimento al netto delle differenze nei risultati. I ragazzi italiani, a parità di pun-teggio rispetto alle ragazze, mostrano maggiore motiva-zione e interesse verso la matematica e una maggiore pro-pensione ad affrontare problemi complessi. Inoltre hanno un maggiore senso di auto-efficacia e, forse per questo, tendono ad avere meno ansia verso la materia rispetto alle ragazze. Non si riscontrano invece differenze di genere nella perseveranza e nell’attribuirsi il fallimento.
Nelle regioni PON, invece, non si riscontrano diffe-renze di genere per la maggior parte delle variabili prese in esame, ad eccezione che nella propensione al problem solving in Campania e Sicilia, nella motivazione in
Pu-glia, nell’interesse in Calabria, nella percezione di auto-efficacia in Campania, Sicilia e Calabria e infine nell’an-sia in Puglia, Sicilia e Calabria.
È noto che lo stato socio-economico14 familiare è tra
le caratteristiche degli studenti che hanno un maggiore impatto sui risultati (vedere per esempio Sfard e Prusak, 2005). È interessante quindi valutare se questa variabi-le ha una forte influenza anche sull’atteggiamento verso l’apprendimento degli studenti al netto delle differenze nei risultati. A livello nazionale, gli studenti più avvan-taggiati rispetto al proprio stato socio-economico, che ottengono gli stessi risultati degli studenti meno avvan-taggiati, mostrano livelli superiori di auto-efficacia, una maggiore propensione ad affrontare problemi complessi, ma anche una maggiore ansia e una maggiore percezione della propria responsabilità nel mancato raggiungimento del risultato atteso, rispetto ai coetanei con più basso sta-to socio-economico. Non risultano invece differenze in perseveranza, motivazione e interesse. Per quanto riguar-da le regioni PON, invece, si osserva qualche differenza: lo stato socio-economico ha effetto sull’apertura al pro-blem solving, per tutte le regioni PON ad accezione della Sicilia, ha effetto sull’attribuzione al fallimento solo in Campania ed ha effetto sull’ansia solo in Calabria.
È interessante notare che la caratteristica che ha un maggior impatto sui risultati è la percezione della propria auto-efficacia nell’affrontare i problemi matematici. La Puglia, che è la regione che ottiene i migliori risultati tra le regioni PON, ha il valore più alto di questo indicatore. La differenza di punteggio tra gli studenti che hanno la percezione più alta di auto-efficacia e quelli che hanno la percezione più bassa (range interquartile) è di più di 100 punti. Anche l’impatto per ogni incremento unitario di tale variabile sui risultati è molto alto e pari a circa 50 punti per tutte le regioni PON considerate. L’auto-efficacia è anche la variabile più influenzata dalle differenze di genere e di stato socio-economico. Un’altra caratteristica con un for-te impatto sui risultati è l’ansia per la mafor-tematica. Osser-vando lo scarto interquartile si evince che gli studenti più ansiosi ottengono mediamente 70 punti in meno rispetto ai coetanei meno ansiosi. La Sicilia è la regione con la differenza più bassa pari a 56 punti.
La Sicilia è la regione in cui l’impatto sui risultati in matematica delle variabili relative all’atteggiamento ver-so l’apprendimento è più basver-so, mentre Puglia e Campa-nia sono le regioni dove si osserva il maggior impatto.
14 L’indice di stato socio-economico (ESCS) è stato calcolato
Tab. 1 – Valore medio di ogni indicatore, differenza di genere e di stato socio-economico ed effetto sul punteggio di matematica
Valore medio
dell’indicatore(*) nell’indicatore a parità Differenza di genere* di punteggio di matematica Differenza di stato socio-economico nell’indicatore a parità di punteggio di matematica Differenza nel punteggio per un’unità dell’indicatore Scarto interquartile
Stima SE Stima SE Stima SE Stima SE
Apertura alla risoluzione problemi Calabria 0,06 0,04 0,00 0,07 0,09 0,03 15,46 4,35 40 Campania 0,14 0,03 0,10 0,05 0,06 0,03 20,12 4,05 41 Puglia 0,01 0,04 0,00 0,07 0,10 0,04 23,97 3,91 55 Sicilia 0,06 0,03 0,12 0,06 0,07 0,04 14,05 4,74 34 Italia -0,08 0,01 0,10 0,02 0,09 0,01 22,77 1,22 53 Perseveranza Calabria 0,23 0,04 0,00 0,07 0,01 0,04 14,03 3,17 46 Campania 0,27 0,04 0,00 0,06 0,02 0,02 16,97 2,98 52 Puglia 0,14 0,04 -0,06 0,08 0,00 0,03 17,24 2,78 55 Sicilia 0,23 0,04 -0,06 0,08 0,01 0,05 8,97 3,75 24 Italia 0,05 0,01 0,01 0,02 0,01 0,01 13,51 0,91 41 Motivazione Calabria -0,03 0,04 0,12 0,07 -0,04 0,03 11,38 3,26 24 Campania -0,03 0,05 0,09 0,06 0,00 0,04 14,38 4,10 34 Puglia -0,13 0,04 0,16 0,08 -0,01 0,04 13,62 3,36 36 Sicilia -0,12 0,04 0,11 0,06 0,03 0,03 5,35 2,61 11 Italia -0,19 0,01 0,16 0,02 -0,01 0,01 12,69 1,16 28 Interesse Calabria 0,23 0,05 0,17 0,08 -0,03 0,03 15,62 3,52 41 Campania 0,24 0,05 0,06 0,07 -0,03 0,04 21,20 4,57 44 Puglia 0,09 0,04 0,06 0,07 -0,05 0,03 20,33 3,27 55 Sicilia 0,15 0,05 0,12 0,08 0,01 0,03 10,08 4,65 22 Italia 0,01 0,02 0,12 0,02 -0,01 0,01 17,38 1,14 41 Attribuzione del fallimento Calabria 0,06 0,03 -0,01 0,08 0,02 0,04 -21,49 2,97 -59 Campania 0,03 0,04 0,09 0,06 0,04 0,02 -10,45 4,49 -32 Puglia 0,04 0,03 -0,05 0,05 0,04 0,04 -11,30 3,98 -36 Sicilia 0,04 0,04 -0,07 0,06 0,04 0,03 -10,32 4,69 -30 Italia 0,10 0,01 -0,03 0,02 0,03 0,01 -16,33 1,30 -42 Auto-efficacia Calabria -0,15 0,04 0,20 0,06 0,07 0,03 46,15 4,60 98 Campania -0,15 0,04 0,20 0,04 0,06 0,03 53,46 3,87 116 Puglia 0,00 0,04 0,08 0,05 0,08 0,03 48,77 4,22 116 Sicilia -0,18 0,03 0,10 0,05 0,06 0,03 47,75 4,75 99 Italia -0,10 0,01 0,19 0,02 0,07 0,01 52,62 1,47 123 Ansia Calabria 0,41 0,03 -0,11 0,05 0,06 0,03 -32,23 3,71 -68 Campania 0,36 0,04 -0,08 0,07 0,02 0,03 -31,91 3,52 -72 Puglia 0,36 0,03 -0,23 0,05 0,05 0,03 -28,35 4,38 -62 Sicilia 0,38 0,03 -0,18 0,08 -0,01 0,03 -23,58 3,60 -56 Italia 0,30 0,01 -0,17 0,02 0,04 0,01 -30,73 1,16 -70
* La differenza di genere indica la differenza negli indicatori a favore dei ragazzi. Valori positivi sono da intendersi maggiori per i ragazzi, mentre quelli negativi sono maggiori per le ragazze.
3. Svantaggiati: resilienti e svantaggiati con bassi
risultati
L’OCSE individua, tra gli svantaggiati15, due gruppi
di studenti di grande interesse: i resilienti e gli svantag-giati con bassi risultati. I primi, in particolare, sono rap-presentati da quegli studenti che nonostante abbiano un basso stato socio-economico ottengono buoni risultati. È lecito chiedersi se questi studenti riescano a superare lo svantaggio dovuto al proprio stato socio-economico grazie a un atteggiamento più positivo verso la mate-matica.
15 Sono definiti svantaggiati quegli studenti che appartengono al
primo quartile della distribuzione dello stato socio-economico degli studenti italiani.
In tab. 2 sono riportati i valori dei diversi indicato-ri che misurano l’atteggiamento verso l’apprendimento della matematica degli studenti appartenenti a queste due categorie. Gli studenti resilienti hanno un atteggiamen-to verso l’apprendimenatteggiamen-to, per quanatteggiamen-to riguarda la mag-gioranza degli indicatori utilizzati, simile a quello della media degli studenti OCSE. Da notare, che i valori medi di interesse, perseveranza e apertura verso il problem sol-ving sono non solo maggiori alla media degli studenti OCSE (per quasi tutte le regioni PON), ma anche mag-giori rispetto all’intera popolazione degli studenti italiani (tab. 1). Gli studenti resilienti mostrano quindi un atteg-giamento più positivo verso la matematica.
Tab. 2 – Valore medio di ogni indicatore ed effetto sul punteggio di matematica per gli studenti resilienti e svantaggiati con bassi risultati
Valore medio dell’indicatore Differenza nel punteggio per un’unità dell’indicatore
Svantaggiati
con bassi risultati Resilienti con bassi risultatiSvantaggiati Resilienti
Stima SE Stima SE Stima SE Stima SE
Gli studenti svantaggiati che raggiungono invece bas-si risultati presentano livelli di auto-efficacia inferiori e livelli di ansia superiori alla media OCSE e agli studenti resilienti in tutte le regioni PON. Inoltre, rispetto alla me-dia OCSE, si osserva una più bassa propensione al pro-blem solving in Puglia e Calabria, una più bassa perseve-ranza in Campania, una minore motivazione in Puglia e una maggiore propensione ad attribuirsi il fallimento in Calabria.
In realtà, per entrambi i gruppi analizzati, l’atteggia-mento verso la matematica non presenta un effetto signi-ficativo sui risultati in matematica. Fanno eccezione la percezione di auto-efficacia, la perseveranza e l’attribuir-si la causa del fallimento in Calabria, la perseveranza e la motivazione in Puglia che sono le uniche variabili con un impatto sui risultati in matematica per i resilienti.
4. Aspettative dei genitori
I genitori, insieme agli insegnanti, giocano un ruo-lo molto importante nell’atteggiamento degli studenti verso l’apprendimento (Gunderson e Levine, 2011). Per quanto riguarda i genitori, è stato mostrato che esiste una relazione tra le alte aspettative dei genitori e il successo scolastico dei figli (Alexander, Entwisle e Olson, 2007). È quindi interessante valutare se sono presenti aspetta-tive in merito al conseguimento della laurea dei propri figli dei genitori nelle regioni PON e il loro effetto sui risultati.
In tutte le regioni PON un genitore su due si aspet-ta che il proprio figlio prosegua gli studi fino alla laurea (tab. 3).
Tab. 3 – Aspettative dei genitori
% di genitori che si aspettano che i figli si laureino
Effetto delle aspettative dei genitori sul punteggio
di matematica
Effetto delle aspettative dei genitori sul punteggio di matematica al netto dello stato socio-economico
Stima SE Stima SE Stima SE
Calabria 53,44 2,68 75,37 6,76 65,26 6,30 Campania 55,51 2,71 88,08 8,22 75,04 7,86 Puglia 53,05 2,12 74,61 7,58 61,34 7,50 Sicilia 48,00 2,40 71,37 7,54 59,93 6,36 Nota: In grassetto sono indicati i valori statisticamente diversi da zero a un livello di confidenza pari a 0,05.
Per valutare la forza della relazione tra le aspettative dei genitori sugli studi futuri dei figli e i risultati in ma-tematica si sono eseguite due analisi di regressione. La prima considera come variabile dipendente i risultati in matematica e come variabile indipendente le aspettative dei genitori e la seconda considera tra le variabili indi-pendenti anche lo stato socio-economico dello studente. Ne risulta che le aspettative dei genitori hanno un impatto positivo sui risultati degli studenti, portando a un incre-mento del risultato in matematica che varia da 71 punti in Sicilia a 88 punti in Campania. Ci si aspetta, inoltre, che i genitori che tendono ad avere maggiori aspettative sono anche quelli con uno stato socio-economico più elevato. Ma anche quando si considerano le differenze nei risulta-ti comparando studenrisulta-ti con stato socio-economico simi-le, tali differenze rimangono significative, con un impatto che varia da 60 punti in Sicilia a 75 punti in Campania.
In tab. 4 è analizzata la relazione tra l’aspettativa dei genitori e le diverse caratteristiche riguardanti
l’at-teggiamento degli studenti verso l’apprendimento della matematica nelle regioni PON al netto e non dei risulta-ti in matemarisulta-tica. Avere genitori con l’aspettarisulta-tiva della laurea ha un effetto positivo su tutte le variabili consi-derate in tutte le regioni. Le aspettative dei genitori con-tribuiscono, però, anche all’aumento dell’ansia verso la matematica e non hanno alcun effetto sull’attribuirsi il fallimento.
Tab. 4 – Effetto delle aspettative dei genitori sulle variabili che descrivono l’atteggiamento verso la matematica
Effetto delle aspettative dei genitori sulle variabili
motivazioni al netto del punteggio in matematica dei genitori sulle variabili motivazioniEffetto delle aspettative
Tab. 5 – Effetto delle variabili relative all’insegnante sulle variabili che descrivono l’atteggiamento verso la matematica
Effetto dell’uso di tecniche
di attivazione cognitiva sulla motivazione
Effetto della relazione insegnante-studente sulla motivazione al netto di genere
5. Insegnanti
La scuola può contribuire in modo significativo alla formazione delle inclinazioni dello studente e alla pro-mozione di un maggior impegno nella scuola attraverso le tecniche di insegnamento adottate in classe. L’insegnante condiziona l’atteggiamento verso l’apprendimento degli studenti, non solo tramite le tecniche di insegnamento utilizzate, ma anche tramite la relazione che riesce a in-staurare con loro16. È importante che gli studenti abbiano
un buon rapporto con gli insegnanti in modo da sentire un senso di appartenenza verso la scuola (Wigfield, Eccles e Pintrich, 1996). Tra le tecniche di insegnamento utiliz-zate consideriamo l’utilizzo di strategie per l’attivazione cognitiva degli studenti17 (OCSE, 2013).
Per valutare l’effetto di tali variabili sui diversi indi-catori che descrivono l’atteggiamento verso l’apprendi-mento nelle regioni PON si sono costruite delle regres-sioni lineari. Come si evince dalla tab. 5, sia l’utilizzo da parte dell’insegnante di strategie per l’attivazione cogni-tiva sia un buon rapporto con lo studente, al netto di stato socio-economico e genere degli studenti, sono altamente associati con tutte le caratteristiche relative all’atteggia-mento verso la matematica che hanno un effetto positivo sui risultati, mentre non sono associati con l’attribuirsi il fallimento e l’ansia verso la matematica. Quindi, per esempio, studenti che riportano che il loro insegnante usa strategie di attivazione cognitiva riportano livelli alti di
16 L’indicatore relativo alla relazione tra studente e
insegnan-te è derivato chiedendo agli studenti quanto sono d’accordo con le seguenti affermazioni: gli studenti vanno d’accordo con la maggior parte degli insegnanti; la maggior parte degli insegnanti sono inte-ressati al benessere degli studenti; la maggior parte degli insegnanti ascolta veramente quello che ho da dire; gli insegnati mi aiutano se ho bisogno di un ulteriore supporto; la maggior parte degli insegnanti mi tratta bene. Valori più alti dell’indicatore indicano una relazione positiva tra insegnante e studente (OCSE, 2013).
17 L’indicatore relativo all’uso di strategie di attivazione cognitiva
è costruito chiedendo agli studenti quanto spesso durante le lezioni di matematica si trovano in queste situazioni: l’insegnante fa domande per far riflettere gli studenti sui problemi; l’insegnante dà problemi che richiedono un lasso di tempo esteso per la loro soluzione; l’insegnante chiede agli studenti di decidere, per conto proprio, il procedimento ne-cessario per la risoluzione di problemi complessi; l’insegnante presen-ta problemi in contesti differenti così che gli studenti possano capire se hanno compreso i concetti; l’insegnante aiuta gli studenti a imparare dai proprio errori; l’insegnante chiede agli studenti di spiegare il proce-dimento utilizzato per risolvere il problema; l’insegnante presenta pro-blemi che richiedono l’applicazione di conoscenze acquisite in nuovi contesti; l’insegnante dà problemi che possono essere risolti in modi differenti. Valori alti dell’indice che se ne deriva suggeriscono che gli studenti riportano che l’insegnante di matematica usa strategie di atti-vazione cognitiva molto più frequentemente rispetto alla media degli insegnanti di matematica dei Paesi (OCSE, 2013).
perseveranza e apertura al problem solving, nonché una maggiore motivazione e un maggior interesse verso la matematica. Non si riscontrano grandi differenze tra le diverse regioni considerate.
6. Conclusioni
L’indagine PISA, oltre a misurare il livello in mate-matica, lettura e scienze degli studenti, fornisce diversi indicatori per la misurazione del loro atteggiamento ver-so l’apprendimento. Un atteggiamento positivo è molto importante sia per riuscire a ottenere buoni risultati sia per diventare dei bravi lifelong learners.
Questo studio analizza l’atteggiamento verso l’ap-prendimento per quelli studenti che appartengono alle regioni PON, ovvero a quelle regioni che hanno ottenuto nelle scorse edizioni di PISA i risultati peggiori. Dalle analisi effettuate emerge come gli studenti di queste re-gioni mostrano maggiore perseveranza e interesse rispet-to alla media nazionale e a quella dei coetanei dei Paesi OCSE, ma una più bassa percezione delle proprie abilità e una maggiore ansia. Nonostante gli studenti apparte-nenti a queste regioni mostrino un atteggiamento più po-sitivo verso la matematica, hanno una più bassa fiducia nelle loro abilità che probabilmente contribuisce a fargli ottenere risultati più bassi insieme ad altri fattori, come il più basso stato socio-economico. È immaginabile, che dato l’elevato effetto delle variabili che descrivono l’at-teggiamento verso la matematica sui risultati, probabil-mente il gap di queste regioni sarebbe ancora più marcato se non fosse presente tale atteggiamento.
Per quanto riguarda l’influenza del contesto familia-re, si osserva come le aspettative dei genitori riguardo il futuro percorso scolastico dei propri figli, in particolare l’aspettativa che questi arrivino alla laurea, risulta essere anche nelle regioni PON di grande impatto sui risultati in matematica degli studenti. Per contro aumenta il senso di ansia degli studenti nei confronti della materia.
Infine, si osserva in tutte le regioni PON la forte as-sociazione tra le diverse caratteristiche che descrivono l’atteggiamento verso l’apprendimento e sia l’uso di stra-tegie di attivazione cognitiva da parte dell’insegnante che una buna relazione studente-insegnante.
In definitiva, tra le caratteristiche esaminate relati-ve all’atteggiamento relati-verso l’apprendimento, quella che risulta essere maggiormente determinante nelle regioni PON è l’auto-efficacia. È quindi questo l’aspetto su cui si potrebbe agire per migliorare l’atteggiamento e quindi i risultati degli studenti appartenenti a queste regioni.
Riferimenti bibliografici
Alexander K.L., Entwisle D.R., Olson L.S. (2007), “Lasting Consequences of the Summer Learning Gap”, American Sociological Review, 72, pp. 167-180.
Christenson S.L., Reschly A.L., Wylie C. (2012), Handbook of Student Engagement, Springer, New York.
Gunderson E.A., Levine S.C. (2011), “Some Types of Parent Number talk count more than Others: Relations between
Parents’ Input and Children’s Cardinal-number Knowl-edge”, Developmental Science, 14, pp. 1021-1032. Guthrie J.T., Wigfield A., Klauda S.L. (2012), Adolescents’
Engagement in Academic Literacy, Berntham Science Pub-lishers, Shariah, United Arab Emirates.
OCSE (2009), PISA Data Analysis: SAS Second Edition, OCSE Publishing, Paris.
OCSE (2010), PISA 2009 Results: Overcoming Social Back-ground: Equity in Learning Opportunities and Outcomes, OCSE Publishing, Paris, vol. II.
OCSE (2012), PISA: PISA 2009 Technical Report, OCSE Pub-lishing, Paris.
OCSE (2013), PISA 2012 Results: Ready to learn. Students’engagement, Drive and Self-beliefs, OCSE Pub-lishing, Paris, vol. III.
Plomin R., Caspi A. (1999), “Behavioral Genetics and Person-ality”, in L.A. Pevin, O.P. John (eds.), Handbook of Per-sonality Theory and Research, Guildford, New York, pp 251-276.
Sfard A., Prusak A. (2005), “Telling Identities: In Search of an Analytic Tool for Investigating Learning as a Culturally Shaped Activity”, Educational Researcher, 34, pp. 14-22. Schunk D.H., Mullen C.A. (2013), “Motivation”, in J.
Hat-tie, E.M. Anderman (eds.), International Guide to Student Achievement, Routledge, New York, pp 67-69.
Schunk D.H., Pajares F. (2009), “Self-efficacy Theory”, in K.R. Wentzel, A. Wigfield (eds.), Handbook of Motivation at School, Taylor Francis, New York, pp 35-53.
